MAJEC: unified gene, isoform, and locus-level transposable element quantification from RNA-seq

MAJEC 은 RNA-seq 데이터에서 유전자, 아이소폼 및 전이성 요소 (TE) 로커스 수준을 통합적으로 정량화하여 기존 도구들이 겪던 유전자와 TE 간의 중첩으로 인한 오분류 문제를 해결하고 정확도와 속도를 동시에 개선한 새로운 프레임워크입니다.

핵심

MAJEC: 유전자와 전이성 요소 (TE) 의 '혼란스러운 가족'을 정리해주는 새로운 도구

이 논문은 MAJEC이라는 새로운 소프트웨어를 소개합니다. 이 도구는 RNA-seq(유전자 발현 분석) 데이터를 처리할 때 발생하는 매우 까다로운 문제를 해결해줍니다.

이해하기 쉽게 거대한 도서관과 복제된 책에 비유해서 설명해 드릴게요.

---

1. 문제: 도서관의 혼란 (왜 기존 도구가 힘들었을까?)

우리의 세포 안에는 **유전자 (Gene)**라는 '주요 책'들이 있습니다. 하지만 인간 게놈의 약 45% 는 **전이성 요소 (Transposable Elements, TE)**라는 '복제된 책 조각들'로 이루어져 있습니다. 이 조각들은 주요 책들 사이사이에, 심지어 책장 (엑손) 안까지 끼워져 있습니다.

RNA-seq 실험은 이 도서관에서 "어떤 책이 많이 읽히고 있나?"를 세는 작업입니다. 하지만 여기서 큰 문제가 생깁니다.

• 유전자만 보는 도구 (Salmon, RSEM 등): 주요 책 (유전자) 만 세는데, 책장 사이에 끼인 복제된 조각 (TE) 들이 섞여 들어오면 "이건 내 책이야!"라고 잘못 세버립니다.
• TE 만 보는 도구 (Telescope 등): 복제된 조각 (TE) 만 세는데, 주요 책 (유전자) 이 읽히면서 나온 조각들이 TE 로 잘못 세버립니다. 마치 "주인공이 읽는 책장에서 발견된 찢어진 페이지를, 그 페이지가 독립된 책인 것처럼 잘못 세는" 꼴입니다.
• 기존 TE 도구 (TEtranscripts): 유전자와 TE 를 구분하려 하지만, 너무 단순한 규칙 ("유전자에 겹치면 무조건 유전자로 치자") 을 써서, 실제로는 TE 가 활성화된 경우를 놓치거나, 유전자가 아닌 TE 신호를 유전자로 잘못 해석하는 실수를 합니다.

결과: 과학자들은 유전자 분석용 도구와 TE 분석용 도구를 따로따로 돌려야 했고, 그 결과물들이 서로 충돌하거나 잘못된 결론을 내는 경우가 많았습니다.

2. 해결책: MAJEC (모든 것을 한 번에 보는 똑똑한 사서)

MAJEC 는 이 문제를 해결하기 위해 하나의 통합된 시스템을 만들었습니다.

• 한 번에 모두 세기: 유전자, 유전자의 다양한 버전 (아이소폼), 그리고 개별 TE 조각까지, 하나의 분석 파이프라인에서 동시에 처리합니다.
• 맥락 파악하기 (가장 중요한 부분): MAJEC 는 단순히 "어디에 겹치는가?"만 보지 않습니다. **"이 책장이 어떻게 연결되었는가?" (스플라이스 접합부, Splice Junction)**를 봅니다.
  • 비유: 만약 책장 (엑손) 이 A-B-C 순서로 자연스럽게 이어져 있다면, 그건 '주요 책 (유전자)'이 읽히고 있는 것입니다. 하지만 책장 A 와 C 만 뚝뚝 끊겨 있고 B 는 없다면, 그건 '독립된 복제 조각 (TE)'이 읽히고 있는 것입니다.
  • MAJEC 는 이 **연결 고리 (접합부)**를 보고 "아, 이건 유전자가 읽히는 중이구나" 아니면 "아, 이건 TE 가 독자적으로 작동하는 중이구나"를 확률적으로 판단합니다.

3. MAJEC 의 놀라운 성과

이 논문은 MAJEC 가 기존 도구들보다 훨씬 뛰어나다는 것을 증명했습니다.

1. 오류 제거 (거짓 신호 잡기):

   • Telescope 의 실수: 유전자가 활발히 읽힐 때, 그 유전자 안에 있는 TE 조각까지 "TE 가 활성화됐다!"라고 거짓으로 보고하는 경우가 많았습니다. MAJEC 는 이를 43% 에서 5% 로 줄였습니다.
   • TEtranscripts 의 실수: 실제로 TE 가 활성화되어 유전자 안을 뚫고 나왔는데, "아니야, 이건 유전자야"라고 강제로 유전자로 치부하여 TE 의 활성화를 놓치는 경우를 잡아냈습니다.
   • 예시: 어떤 유전자가 약을 먹고 활성화되었는데, 그 안에 숨겨진 TE 도 함께 깨어났습니다. 기존 도구는 "유전자만 커졌어"라고 말하거나 "TE 만 커졌어"라고 말하며 서로 다른 결론을 내렸지만, MAJEC 는 **"유전자도 커졌고, TE 도 따로 커졌다"**는 정확한 사실을 찾아냈습니다.

2. 정확도 향상:

   • 복잡한 유전자의 다양한 버전 (아이소폼) 을 세는 정확도에서도 기존 최고 수준 도구 (Salmon, RSEM) 보다 더 정확했습니다. 특히 "어떤 버전이 진짜 읽히고 있는지"가 애매할 때, 연결 고리 (접합부) 증거를 활용하여 더 잘 구분해냈습니다.

3. 빠른 속도:

   • 기존에 여러 도구를 돌려야 했던 시간을 단축했습니다. 유전자 분석용 도구와 TE 분석용 도구를 따로 돌리는 것보다 훨씬 빠르고, 메모리도 적게 사용합니다.

4. 결론: 왜 이것이 중요한가요?

MAJEC 는 유전자와 TE 의 복잡한 관계를 한 번에 해결하는 첫 번째 통합 도구입니다.

• 암, 노화, 면역 연구: 최근 TE 의 재활성이 암이나 노화와 깊은 연관이 있다는 것이 밝혀졌습니다. MAJEC 를 사용하면 TE 가 실제로 활성화되었는지, 아니면 유전자 발현의 부산물인지 정확히 구별할 수 있어, 더 정확한 연구가 가능해집니다.
• 편의성: 연구자들은 이제 복잡한 도구들을 여러 개 쓸 필요 없이, MAJEC 하나만 쓰면 유전자, 유전자 버전, TE 위치까지 모두 알 수 있습니다.

한 줄 요약:
MAJEC 는 유전자와 TE 가 뒤섞인 복잡한 도서관에서, 책장 연결 고리 (접합부) 를 꼼꼼히 확인하여 "이건 진짜 유전자야"와 "이건 독립된 TE 야"를 정확히 가려내어, 과학자들이 더 정확한 결론을 내릴 수 있게 도와주는 초고속, 초정밀 사서입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

전사체 분석 (RNA-seq) 에서 전이성 요소 (Transposable Elements, TEs) 의 정량화는 암, 면역, 노화 연구 등에서 중요성이 커지고 있으나, 기존 파이프라인은 다음과 같은 근본적인 한계를 겪고 있습니다.

• 유전자와 TE 의 중첩 문제: 인간 게놈의 약 45% 가 TE 로 구성되어 있으며, 많은 TE 로컬 (loci) 이 유전자 내부 (인트론, UTR, 엑손) 에 존재합니다. 이로 인해 유전자 전사체에서 유래한 리드 (read) 와 독립적인 TE 전사체에서 유래한 리드가 겹치게 됩니다.
• 기존 도구의 한계:
  • TEtranscripts: 서브패밀리 (subfamily) 수준의 정량화는 제공하지만, 개별 TE 로컬 수준의 해상도 (resolution) 를 제공하지 못합니다. 또한 유전자와 TE 가 겹치는 경우, 리드를 무조건 유전자에 할당하는 경직된 규칙 (heuristic) 을 사용하여 실제 TE 발현을 누락시키거나 유전자 발현을 과대평가할 수 있습니다.
  • Telescope: 개별 TE 로컬 수준의 정량화는 가능하지만, 유전자 주석을 고려하지 않는 'TE 전용 (TE-only)' 모델입니다. 이로 인해 유전자 엑손과 겹치는 TE 로컬에서 유전자 전사체가 TE 로 잘못 분류되는 오류가 발생합니다. 실제로 Telescope 는 전체 TE 신호의 약 43% 를 엑손과 겹치는 1.1% 의 로컬에서 발생시키는 것으로 나타났습니다.
• 현재의 비효율성: 연구자들은 유전자/아이소폼 정량 (Salmon, Kallisto 등) 과 TE 정량 (TEtranscripts, Telescope 등) 을 위해 서로 다른 도구를 여러 번 실행하고 결과를 통합해야 하는 번거로움이 있습니다.

2. 방법론 (Methodology)

저자들은 MAJEC (Momentum Accelerated Junction Enhanced Counting) 라는 새로운 통합 프레임워크를 제안했습니다. 이는 정렬된 RNA-seq 리드 (BAM 파일) 에서 유전자, 전사체 아이소폼, 개별 TE 로컬을 한 번의 분석으로 동시에 정량화하는 통합 기대 - 최대화 (Expectation-Maximization, EM) 프레임워크입니다.

• 통합 특징 공간 (Joint Feature Space): MAJEC 은 유전자 GTF 와 TE 주석 (RepeatMasker) 을 결합하여 단일 특징 공간을 구축합니다. 이 공간 내에서 리드는 유전자 또는 TE 중 데이터가 지지하는 쪽으로 확률적으로 할당됩니다.
• 스플라이스 접합 (Junction) 증거 기반 사전 확률 (Priors):
  • MAJEC 의 핵심 혁신은 스플라이스 접합 (splice junction) 정보를 활용하여 전사체 수준의 사전 확률을 조정한다는 점입니다.
  • 접합 증거 부스트 (Junction evidence boost): 알려진 스플라이스 접합을 가로지르는 리드는 해당 전사체에 강력한 증거로 간주됩니다.
  • 완전성 페널티 (Completeness penalty): 예상되는 스플라이스 접합이 관찰되지 않은 전사체는 하향 조정됩니다.
  • 서브셋 페널티 (Subset penalty): 더 긴 전사체의 부분 집합으로 보이는 전사체는 증거가 부족할 경우 하향 조정됩니다.
  • 이러한 메커니즘을 통해 유전자 전사체와 TE 전사체를 명확히 구분할 수 있으며, 특히 유전자와 TE 가 겹치는 영역에서 리드 할당의 정확도를 높입니다.
• 2 단계 EM 알고리즘:
  • 1 단계: 고유하게 매핑된 (uniquely mapping) 리드를 기반으로 초기 할당을 수행합니다.
  • 2 단계: 다중 매핑 (multi-mapping) 리드를 1 단계의 추정치와 접합 증거를 기반으로 반복적으로 재할당합니다.
  • 모멘텀 가속 (Momentum acceleration): 수렴 속도를 높이기 위해 발현 수준별 모멘텀 인자를 적용하여 EM 알고리즘을 가속화합니다.
• 입력 및 출력: 표준 STAR 또는 HISAT2 정렬 결과 (BAM) 를 입력받아 유전자, 아이소폼, TE 로컬 수준의 카운트 매트릭스를 생성하며, DESeq2 호환 형식과 대화형 HTML 리포트를 제공합니다.

3. 주요 성과 및 결과 (Key Results)

• 아이소폼 정량 정확도 향상:
  • Synthetic 데이터 (Sequins): Salmon, RSEM 과 유사한 정확도를 보였습니다.
  • 실제 데이터 (LongBench, ENCODE): 복잡한 인간 세포주 데이터에서 Salmon 및 RSEM 대비 더 낮은 정량 오차를 보였습니다. 특히 스플라이스 접합 증거가 불완전하거나 서브셋인 전사체 (구조적으로 모호한 경우) 에서 MAJEC 의 성능 우위가 두드러졌습니다.
  • 정밀도 (Precision) 향상: 지지되지 않는 가짜 전사체 (false positives) 를 억제하여 정밀도를 높였으며, 이는 TE 정량 시 유전자 신호가 TE 로 잘못 흡수되는 것을 방지합니다.
• TE 정량 및 유전자 - TE 분리 능력:
  • 서브패밀리 수준: TEtranscripts 와 높은 상관관계 (r = 0.987) 를 보이며, 기존 도구와 동등한 성능을 입증했습니다.
  • 로컬 수준 및 오염 제거: Telescope 는 엑손과 겹치는 TE 로컬에서 전체 신호의 43% 를 발생시켰으나, MAJEC 은 이를 5% 로 크게 감소시켰습니다. 이는 유전자 전사체에서 유래한 리드를 TE 가 아닌 유전자로 올바르게 할당했기 때문입니다.
  • 상호 보완적 오류 해결:
    • Vignette 1 (False TE Reactivation): L1TD1 유전자 내에서 Telescope 는 호스트 유전자의 리드에 의해 HAL1ME TE 로컬에서 거대한 TE 상향조절 ($log2FC = +9.1$) 을 잘못 보고했습니다. MAJEC 의 통합 모델은 이러한 리드를 L1TD1 유전자 자체로 올바르게 재할당하여 ($log2FC = +14.0$), HAL1ME 로컬에는 통계적 검정을 수행할 만큼의 카운트가 남지 않도록 하여 ("not tested") 해당 신호가 TE 가 아닌 유전자 기원임을 정확히 인식했습니다.
    • Vignette 2 (False Gene Upregulation): 실제 TE 가 활성화되었으나 유전자에 흡수되어 유전자 발현이 과대평가된 경우 (예: LINC01949 내 L1PA7 요소) 를 MAJEC 이 TE 발현으로 정확히 분리했습니다.
• 계산 효율성:
  • MAJEC 은 TEtranscripts 와 Telescope 를 각각 실행하는 것보다 훨씬 빠릅니다. 6 개의 샘플을 처리하는 데 MAJEC 은 약 20 분 (6 코어) 이 소요되는 반면, 기존 도구들을 조합하면 4 시간 이상 걸립니다. 또한 메모리 사용량도 표준 워크스테이션 (32-64 GB RAM) 에서 실행 가능한 수준입니다.

4. 의의 및 결론 (Significance)

• 통합 분석의 표준 제시: MAJEC 은 유전자, 아이소폼, TE 로컬 정량을 단일 파이프라인으로 통합함으로써 연구자의 워크플로우를 단순화하고 일관성을 높였습니다.
• 유전자 - TE 경계 문제의 해결: 기존 도구들이 간과했던 '유전자 - TE 중첩'으로 인한 심각한 편향을 해결했습니다. 특히 엑손과 겹치는 TE 로컬에서 발생하는 위양성 (false positive) TE 활성화 신호를 제거함으로써, TE 생물학 연구의 신뢰성을 크게 향상시켰습니다.
• 정확한 생물학적 통찰: 유전자 발현과 TE 재활성화를 동시에 정확하게 분석할 수 있게 되어, 에피제네틱 치료 반응 바이오마커 발굴, 키메릭 전사체 분석, 개별 TE 삽입의 조절적 영향 연구 등에 필수적인 도구를 제공합니다.
• 실용성: 기존 RNA-seq 워크플로우에서 생성된 BAM 파일을 바로 사용할 수 있으며, HPC 인프라 없이도 개인 워크스테이션에서 고품질 분석이 가능합니다.

요약하자면, MAJEC 은 스플라이스 접합 정보를 활용한 확률적 모델링을 통해 유전자와 TE 의 복잡한 중첩 문제를 해결하고, 기존 도구들의 한계를 극복한 빠르고 정확한 통합 정량화 도구입니다.